使用openai的function calling实现自动发送邮件，并用twilio实现自动拨打电话

最新推荐文章于 2024-09-27 17:31:02 发布
最新推荐文章于 2024-09-27 17:31:02 发布
阅读量260 收藏 1
点赞数 1
分类专栏： 大模型实战应用 文章标签： python 前端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57057282/article/details/142568463
版权

1）自动发送邮件
用的是126邮箱，开启服务

帮助中心_常见问题

然后写代码，记得在.env写入对应的key值

import os
from dotenv import load_dotenv

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

import json
from openai import OpenAI


GPT_MODEL = "gpt-4o-mini"

load_dotenv()
# 获取环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
AUTHORIZATION_CODE = os.getenv("AUTHORIZATION_CODE")

client = OpenAI(api_key=OPENAI_API_KEY)

tools = [
    {
        "type": "function",
        "function": {
            "name": "send_email",
            "description": "Send an email to the specified email with the subject and content",
            "parameters":{
                "type": "object",
                "properties": {
                    "FromEmail": {
                        "type": "string",
                        "description": "The email address, eg., rememeber0101@126.com",
                    },
                    "Subject": {
                        "type": "string",
                        "description": "Subject of the email",
                    },
                    "Body": {
                        "type": "string",
                        "description": "The content of the email",
                    },
                    "Recipients": {
                        "type": "string",
                        "description": "The recipients' email addresses",
                    }
                },
                "required": ["FromEmail", "Subject", "Body", "Recipients"],
            },
        }
    }
]


def chat_completion_request(messages, tools=None, tool_choice=None, model=GPT_MODEL):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            tools=tools,
            tool_choice=tool_choice,
        )
        return response
    except Exception as e:
        print("Unable to generate ChatCompletion response")
        print(f"Exception: {e}")
        return e


def send_email(sender_email, sender_authorization_code, recipient_email, subject, body):
    # 创建 MIMEMultipart 对象
    message = MIMEMultipart()
    message["From"] = sender_email
    message["To"] = recipient_email
    message["Subject"] = subject

    message.attach(MIMEText(body, "plain"))

    # 创建 SMTP_SSL 会话
    with smtplib.SMTP_SSL("smtp.126.com", 465) as server:
        server.login(sender_email, sender_authorization_code)
        text = message.as_string()
        server.sendmail(sender_email, recipient_email, text)


def main():
    messages = []
    
    while True:
        msg = input("【You】: ")
        messages.append({"role": "user", "content": msg})
        response = chat_completion_request(
            messages=messages,
            tools=tools
        )
        if content := response.choices[0].message.content:
            print(f"【AI】: {content}")
            messages.append({"role": "assistant", "content": content})
        else:
            fn_name = response.choices[0].message.tool_calls[0].function.name
            fn_args = response.choices[0].message.tool_calls[0].function.arguments
            # print(f"【Debug info】: fn_name - {fn_name}")
            # print(f"【Debug info】: fn_args - {fn_args}")
        
            if fn_name == "send_email":
                try:
                    args = json.loads(fn_args)
                    # 返回将要发送的邮件内容给用户确认
                    print("【AI】: 邮件内容如下：")
                    print(f"发件人: {args['FromEmail']}")
                    print(f"收件人: {args['Recipients']}")
                    print(f"主题: {args['Subject']}")
                    print(f"内容: {args['Body']}")
                    
                    confirm = input("AI: 确认发送邮件吗？ (yes/no): ").strip().lower()
                    if confirm == "yes":
                        send_email(
                            sender_email=args["FromEmail"],
                            sender_authorization_code=AUTHORIZATION_CODE, 
                            recipient_email=args["Recipients"], 
                            subject=args["Subject"], 
                            body=args["Body"],
                        )
                        print("邮件已发送，还需要什么帮助吗？")
                        messages.append({"role": "assistant", "content": "邮件已发送，还需要什么帮助吗？"})
                    else:
                        print("邮件发送已取消，还需要什么帮助吗？")
                        messages.append({"role": "assistant", "content": "邮件发送已取消，还需要什么帮助吗？"})
                except Exception as e:
                    print(f"发送邮件时出错：{e}")
                    messages.append({"role": "assistant", "content": "抱歉，功能异常！"})    


if __name__ == "__main__":
    main()


# 帮我发送一封邮件
# 发件人: remember0202@126.com, 收件人：remember0101@126.com, 发送内容写着一封来自未来胖虎的问候邮件，主题随便

下面是streamlit版本

import os
from dotenv import load_dotenv

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

import json
import openai

import streamlit as st

GPT_MODEL = "gpt-4o-mini"

load_dotenv()
# 获取环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
AUTHORIZATION_CODE = os.getenv("AUTHORIZATION_CODE")

client = openai.OpenAI(api_key=OPENAI_API_KEY)

tools = [
    {
        "type": "function",
        "function": {
            "name": "send_email",
            "description": "Send an email to the specified email with the subject and content",
            "parameters": {
                "type": "object",
                "properties": {
                    "FromEmail": {
                        "type": "string",
                        "description": "The email address, eg., remember0101@126.com",
                    },
                    "Subject": {
                        "type": "string",
                        "description": "Subject of the email",
                    },
                    "Body": {
                        "type": "string",
                        "description": "The content of the email",
                    },
                    "Recipients": {
                        "type": "string",
                        "description": "The recipients' email addresses",
                    }
                },
                "required": ["FromEmail", "Subject", "Body", "Recipients"],
            },
        }
    }
]

st.sidebar.header("📃 Dialgue Session:")

def chat_completion_request(messages, tools=None, tool_choice=None, model=GPT_MODEL):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            tools=tools,
            tool_choice=tool_choice,
        )
        return response
    except Exception as e:
        print("Unable to generate ChatCompletion response")
        print(f"Exception: {e}")
        return e

def send_email(sender_email, sender_authorization_code, recipient_email, subject, body):
    # 创建 MIMEMultipart 对象
    message = MIMEMultipart()
    message["From"] = sender_email
    message["To"] = recipient_email
    message["Subject"] = subject

    message.attach(MIMEText(body, "plain"))

    # 创建 SMTP_SSL 会话
    with smtplib.SMTP_SSL("smtp.126.com", 465) as server:
        server.login(sender_email, sender_authorization_code)
        text = message.as_string()
        server.sendmail(sender_email, recipient_email, text)

def main():
    st.title("🪪 AI Assistant")

    # Initialize chat history
    if "messages" not in st.session_state:
        st.session_state.messages = []

    # Display chat messages from history on app rerun
    for message in st.session_state.messages:
        with st.chat_message(message["role"]):
            st.markdown(message["content"])

    # React to user input
    if prompt := st.chat_input("What is your message?"):
        # Display user message in chat message container
        st.chat_message("user").markdown(prompt)
        # Add user message to chat history
        st.session_state.messages.append({"role": "user", "content": prompt})

        response = chat_completion_request(
            messages=st.session_state.messages,
            tools=tools
        )
        st.sidebar.json(st.session_state)
        st.sidebar.write(response)
        # Display assistant response in chat message container
        with st.chat_message("assistant"):
            if content := response.choices[0].message.content:
                st.markdown(content)
                st.session_state.messages.append({"role": "assistant", "content": content})
            else:
                fn_name = response.choices[0].message.tool_calls[0].function.name
                fn_args = response.choices[0].message.tool_calls[0].function.arguments

                def confirm_send_fn():
                    send_email(
                                sender_email=args["FromEmail"],
                                sender_authorization_code=AUTHORIZATION_CODE,
                                recipient_email=args["Recipients"],
                                subject=args["Subject"],
                                body=args["Body"],
                            )
                    st.success("邮件已发送")
                    st.session_state.messages.append({"role": "assistant", "content": "邮件已发送，还需要什么帮助吗？"})
                    # reflash sidebar
                    st.sidebar.json(st.session_state)
                    st.sidebar.write(response)
                    
                
                def cancel_send_fn():    
                    st.warning("邮件发送已取消")
                    st.session_state.messages.append({"role": "assistant", "content": "邮件已取消，还需要什么帮助吗？"})
                    # reflash sidebar
                    st.sidebar.json(st.session_state)
                    st.sidebar.write(response)
                    
                if fn_name == "send_email":
                    args = json.loads(fn_args)
                    st.markdown("邮件内容如下：")
                    st.markdown(f"发件人: {args['FromEmail']}")
                    st.markdown(f"收件人: {args['Recipients']}")
                    st.markdown(f"主题: {args['Subject']}")
                    st.markdown(f"内容: {args['Body']}")

                    col1, col2 = st.columns(2)
                    with col1:
                        st.button(
                            label="✅确认发送邮件", 
                            on_click=confirm_send_fn)
                    with col2:
                        st.button(
                            label="❌取消发送邮件",
                            on_click=cancel_send_fn
                        )

if __name__ == "__main__":
    main()

streamlit run app.py打开

下面是打电话的代码

import os
from dotenv import load_dotenv

import json
from openai import OpenAI
from twilio.rest import Client

GPT_MODEL = "gpt-4o-mini"

load_dotenv()
# 获取环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
TWILIO_ACCOUNT_SID = os.getenv("TWILIO_ACCOUNT_SID")
TWILIO_AUTH_TOKEN = os.getenv("TWILIO_AUTH_TOKEN")
TWILIO_PHONE_NUMBER = os.getenv("TWILIO_PHONE_NUMBER")

client = OpenAI(api_key=OPENAI_API_KEY)
twilio_client = Client(TWILIO_ACCOUNT_SID, TWILIO_AUTH_TOKEN)

tools = [
    {
        "type": "function",
        "function": {
            "name": "make_call",
            "description": "Make a phone call to the specified phone number with the given message",
            "parameters":{
                "type": "object",
                "properties": {
                    "ToPhoneNumber": {
                        "type": "string",
                        "description": "The phone number to call, eg., +1234567890",
                    },
                    "Message": {
                        "type": "string",
                        "description": "The message to be spoken during the call",
                    }
                },
                "required": ["ToPhoneNumber", "Message"],
            },
        }
    }
]

def chat_completion_request(messages, tools=None, tool_choice=None, model=GPT_MODEL):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            tools=tools,
            tool_choice=tool_choice,
        )
        return response
    except Exception as e:
        print("Unable to generate ChatCompletion response")
        print(f"Exception: {e}")
        return e

def make_call(to_phone_number, message):
    call = twilio_client.calls.create(
        to=to_phone_number,
        from_=TWILIO_PHONE_NUMBER,
        twiml=f'<Response><Say>{message}</Say></Response>'
    )
    return call.sid

def main():
    messages = []
    
    while True:
        msg = input("【You】: ")
        messages.append({"role": "user", "content": msg})
        response = chat_completion_request(
            messages=messages,
            tools=tools
        )
        if content := response.choices[0].message.content:
            print(f"【AI】: {content}")
            messages.append({"role": "assistant", "content": content})
        else:
            fn_name = response.choices[0].message.tool_calls[0].function.name
            fn_args = response.choices[0].message.tool_calls[0].function.arguments
        
            if fn_name == "make_call":
                try:
                    args = json.loads(fn_args)
                    # 返回将要拨打的电话内容给用户确认
                    print("【AI】: 电话内容如下：")
                    print(f"拨打号码: {args['ToPhoneNumber']}")
                    print(f"内容: {args['Message']}")
                    
                    confirm = input("AI: 确认拨打电话吗？ (yes/no): ").strip().lower()
                    if confirm == "yes":
                        call_sid = make_call(
                            to_phone_number=args["ToPhoneNumber"],
                            message=args["Message"]
                        )
                        print(f"电话已拨打，SID: {call_sid}，还需要什么帮助吗？")
                        messages.append({"role": "assistant", "content": f"电话已拨打，SID: {call_sid}，还需要什么帮助吗？"})
                    else:
                        print("电话拨打已取消，还需要什么帮助吗？")
                        messages.append({"role": "assistant", "content": "电话拨打已取消，还需要什么帮助吗？"})
                except Exception as e:
                    print(f"拨打电话时出错：{e}")
                    messages.append({"role": "assistant", "content": "抱歉，功能异常！"})    

if __name__ == "__main__":
    main()

代码来源https://github.com/echonoshy/cgft-llm/blob/master/function-calling/app.py

fc&&fl
关注
专栏目录
【Azure OpenAI】OpenAI Function Calling 101
weixin_43394724的博客
09-03 1852
Inputs:'name' : {Inputs:'name' : {Inputs:'name' : {Inputs:'name' : {Inputs:'name' : {Inputs:'name' : {'name': {},},"hate": {},},},],},],"usage": {在上面的示例中，自定义函数提取三个非常具体的信息位，通过传递自定义的“About Me”文本作为提示符来证明这可以成功地工作。
OpenAI Function calling
追
08-20 1454
最近 OpenAI 在 6 月 13 号发布了新 feature，主要针对模型进行了优化，提供了 function calling 的功能，该 feature 对于很多集成 OpenAI 的应用来说绝对是一个“神器”。
OpenAI API - Function calling 的概念与使用（一）
qq_31095905的博客
05-23 1168
在一次API调用中，你可以描述函数，并让模型智能地选择输出包含调用一个或多个函数参数的JSON对象。Chat Completions API并不会调用函数，而是由模型生成JSON，你可以在代码中使用这些JSON来调用函数。最新的模型（gpt-4o、gpt-4-turbo和gpt-3.5-turbo）已经被训练成可以根据输入来检测何时应该调用函数，并且能够生成更加符合函数签名的JSON。
OpenAI开发系列（十二）：Function calling功能的流程优化与多轮对话实现
无敌小怪兽_Zz的博客
07-25 3415
本文首先概述了Function calling流程的优化思路，接着分别详细介绍了两种主要的优化方法：自动编写函数和编写自动应答函数。这两种优化方法可以显著提高Function calling的效率和实用性。最后，演示了如何实现一个多轮对话函数。
OpenAI开发系列（十一）：Function calling功能的实际应用流程与案例解析
无敌小怪兽_Zz的博客
07-24 5584
本文给出了Chat Completions模型中Function calling功能的背景，然后详细讲解了Function calling的实现过程。这包括如何构建Chat外部函数库，包括字符串形式、Json形式和函数形式的传入，还解释了如何定义functions，包括JSON与JSON Schema对象和构建外部函数的Json Schema描述。最后，对Function calling的功能实现进行了详细介绍，并对整个流程进行了总结，提供了全面且深入的理解和应用Function calling功能的指导。
openai funciton calling使用
dc爱傲雪和技术
05-05 1023
在 API 调用中，您可以描述函数，并让模型智能地选择输出包含调用一个或多个函数的参数的 JSON 对象。Chat Completions API不会调用该函数；相反，模型会生成 JSON，您可以使用它来调用代码中的函数。本指南重点介绍使用聊天完成 API 进行函数调用，有关助手 API 中函数调用的详细信息，请参阅助手工具页面。
五、OpenAi之函数调用(Function Calling)(一)
挑大梁的专栏
02-16 2152
在API调用中，您可以描述函数规范，让模型智能地选择输出包含参数的JSON对象，过程中你以调用一个或多个函数。聊天补全API自身不能调用函数；而是，让模型生成JSON，使用它调用函数代码最新的模型(gpt-3.5-turbo-0125和gpt-4-turbo-preview)已通过训练，可以检测何时应该调用函数(取决于输入)，并使用模型对符合函数签名的JSON进行响应。拥有这项能力的同时也伴随着风险。我们强烈建议在采取可能影响世界范围内的用户行为之前建立用户确认流程（例如：发邮件、发布网络、购物等待）
OpenAI API - Function calling 的概念与使用（二）
qq_31095905的博客
05-25 2292
继OpenAI API - Function calling 的概念与使用（一）文章，这次，我以学习笔记的形式来介绍如何结合外部函数使用Chat Completions API来扩展GPT模型的功能，tools是Chat Completion API中的一个可选参数，可以用来提供函数规范。其目的是使模型生成符合提供的函数规范的函数参数。需要注意的是，API不会实际执行任何函数调用，函数调用需要开发人员根据模型输出自行执行。在tools参数中，如果提供了functions。
深入了解openai的Function Calling（通俗易懂-可跑nodejs代码）
weixin_43805502的博客
08-08 1880
function-calling详解+nodejs代码示例
OpenAI的多函数调用（Multiple Function Calling)简介
xindoo
11-18 3297
就在上周，OpenAI在开发者大会上，升级了函数调用的功能，在新的gpt-3.5和gpt-4模型中，可以在单轮对话中调用多个函数了，而且在python SDK中也提供了并发函数调用相关的接口，无疑这将大幅减少大语言模型和现实世界之间交互的开发复杂度，接下来就让我用一个具体的示例，带你了解下OpenAI的新特性。这里额外说下，上面的三个函数调用是串行调用，如果每个函数都比较耗时的话，会增加整体的调用时长，而在最新的assistant api中增加了并行执行函数的api，这个我们放到下篇文章中讲解。
【AI 大模型】函数调用 Function Calling ② ( 函数调用 引入 - 函数调用开发流程 - 代码示例 )
07-20
【AI 大模型】函数调用 Function Calling ② ( Plugins、Actions 扩展 | 函数调用 Function Calling 引入 | 函数调用开发流程 | 代码示例 ) https://hanshuliang.blog.csdn.net/article/details/140380268 博客代码...
‘openai‘ function_calling not execute the function
suiusoar
08-07 848
通过OpenAI API调用某个功能，但似乎没有执行。
Return arguments from function calling with OpenAI API when streaming?
suiusoar
09-10 1267
在使用OpenAI API进行流式传输时，如何返回函数调用的参数？
VeighNa：强大的Python开源量化交易平台
Unity打怪升级
09-26 639
VeighNa（简称 VN 或 vn.py）是一个基于 Python 的开源量化交易平台，专为量化交易爱好者和专业交易员设计。VeighNa 是由国内开发者社区推动的开源项目，旨在提供一个功能丰富、灵活且易于扩展的量化交易解决方案。该框架不仅支持多种资产类别的交易，如股票、期货、期权、加密货币等，还支持多种交易接口和协议，使得用户能够轻松进行多市场、多品种的交易策略开发和部署。
Python精选200Tips：171-175
AnFany
09-26 1120
Python深度学习的项目
ubuntu安装libtorch
meng_152634的博客
09-25 723
nouveau是由第三方为NVIDIA显卡开发的一个开源3D驱动，ubuntu默认集成了nouveau驱动，安装NVIDIA驱动前必须禁用系统自带的显卡驱动nouveau，否则安装NVIDIA驱动时会报错。，一定要确定好安装的CUDA版本是否支持显卡的算力，否则安装成功也无法使用GPU加速。如果cmake版本低于3.18，会出现下面的报错，这是由于低于3.18的cmake不支持CUDA17的编译，需要更新cmake版本。因为安装的CUDA版本为12.1，这里选择最新版的CUDNN 9.4.0进行安装。
Python 高阶内容：套娃式装饰器巧妙为函数增加功能
敲代码别忘了喝上一杯凉白开。
09-23 580
装饰器是 Python 中一种非常强大且灵活的工具，能够在不修改函数本身的情况下，为函数增加额外的功能。本文介绍了装饰器的基本概念及应用，通过实例演示如何在函数执行前后添加额外操作，如鉴权、数据验证等，类似“套娃”般层层嵌套。文章还通过代码示例展示了如何定义和使用装饰器，以及如何将装饰器与实际业务逻辑结合，实现灵活的功能扩展。这种设计模式不仅可以提升代码的可读性和可维护性，还可以有效减少代码的冗余。掌握装饰器的用法，将为你的 Python 编程技巧增添更多亮点。
Java函数式接口日常使用
weng74的博客
09-24 485
Java 8 中函数接口使用到了业务开发中，方法灵活性和可复用性得到了很大的提升，方便业务的开发，下面来看看具体使用场景
numpy is not available
最新发布
xfsong2012的博客
09-27 268
在测试第一个程序的时候，出现Numpy is not available的错误，根据。安装的时候，安装的是最新版的numpy，检查numpy的版本为2.1.1版。我的pytorch版本为1.12.1，选择不高于1.21的版本即可。的办法知道是因为numpy与pytorch版本不一致造成的。2、安装需要的numpy版本，比如1.21版。
langchain和function calling
01-25
LangChain是OpenAI提出的一种搜索代理方法，用于解决问题的复杂性和信息不完整性。它结合了GPT模型和函数调用的功能，通过定义功能函数来扩展GPT模型的能力。 Function calling是OpenAI最近发布的GPT-3.5-turbo-0613和GPT-4-0613版本中新增的功能。它允许用户定义功能函数，并通过分析问题和函数功能描述来决定是否调用函数，并生成函数对应的输入参数。这样可以弥补GPT模型在实时信息和特定领域能力方面的不足，进一步利用GPT的逻辑推理能力，将问题分解处理，提升问题解决能力。 LangChain和Function calling的使用步骤如下： 1. 使用问句和函数定义调用GPT模型。 2. GPT模型选择是否调用函数，并输出相应的参数。 3. 解析参数，调用相应的函数。 4. 将函数返回的结果作为追加信息再次调用GPT模型。 通过LangChain和Function calling的结合使用，可以提高GPT模型的问题解决能力，使其能够处理更加复杂和具体的问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值